Neural Network-Based Adaptive Control of Uncertain Nonlinear Systems

تمرکز این کتاب، کاربرد شبکه های عصبی مصنوعی در سیستم های دینامیکی نامشخص است. این توضیح می دهد که چگونه از شبکه های عصبی در هماهنگی با تکنیک های تطبیقی ​​برای شناسایی سیستم، تخمین حالت و مشکلات کنترل استفاده کنیم. نویسندگان با مروری مختصر تاریخی از کنترل تطبیقی ​​شروع می‌کنند و به دنبال آن مقدمات ریاضی را مرور می‌کنند. در فصل های بعدی، آنها چندین طرح کنترل مبتنی بر شبکه عصبی را ارائه می دهند. هر فصل با یک مقدمه مختصر در مورد مسئله مورد مطالعه شروع می شود و یک استراتژی کنترل مبتنی بر شبکه عصبی برای ساده ترین سناریوی موردی طراحی شده است. پس از بحث در مورد این طرح‌ها، محدودیت‌های عملی مختلف (به عنوان مثال، محدودیت‌های اشباع و در دسترس نبودن همه حالت‌های سیستم) به تدریج اضافه می‌شوند و سایر طرح‌های کنترلی بر اساس سناریوی اولیه توسعه می‌یابند. از طریق این تمرین‌ها، نویسندگان ساختارهایی را ارائه می‌کنند که نه تنها ابزارهای ریاضی را برای پیمایش مسائل کنترلی فراهم می‌کنند، بلکه راه‌حل‌هایی را نیز ارائه می‌کنند که مربوط به سیستم‌های واقعی هستند.

 

<. br>

The focus of this book is the application of artificial neural networks in uncertain dynamical systems. It explains how to use neural networks in concert with adaptive techniques for system identification, state estimation, and control problems. The authors begin with a brief historical overview of adaptive control, followed by a review of mathematical preliminaries. In the subsequent chapters, they present several neural network-based control schemes. Each chapter starts with a concise introduction to the problem under study, and a neural network-based control strategy is designed for the simplest case scenario. After these designs are discussed, different practical limitations (i.e., saturation constraints and unavailability of all system states) are gradually added, and other control schemes are developed based on the primary scenario. Through these exercises, the authors present structures that not only provide mathematical tools for navigating control problems, but also supply solutions that are pertinent to real-life systems.